Jl. Tamansari No.1 Bandung
|
|
- Suryadi Tedja
- 5 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding Statistika ISSN: Penerapan Distribusi Zero Inflated Binomial untuk Mengatasi Masalah Overdispersi dalam Data Status Kelulusan Mata Kuliah Pada Mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 Application Of The Zero Inflated Binomial Distribution To Overcome The Problem Of Overdispersion In The Data On The Graduate Status Of The Courses In The Student Of FMIPA UNISBA 2016/2017 Academic Year 1 Sintia Sri Novianti, 2 Nusar Hajarisman 1,2 Prodi Statistika, FakultasMatematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung, Jl. Tamansari No.1 Bandung sintiasri16.ssn@gmail.com, 2 nusarhajarisman@yahoo.com Abstract. Binary data is the data which values are categorized only with the symbol 1 or 0. In general, binary data will be binomial distributed. Binomial distribution has several assumptions that must be fulfilled, namely random variables that are mutually independent, and the chance of success or constant for each experiment. But in reality often these assumptions are violated, such as the correlation between observations. Which will produce a variance value that is greater than the variance under binomial sampling. Where this is an indication of an overdispersion problem. Overdispersion will be result in invalid variance estimation. Then the solution is using the Zero Inflated Binomial distribution, which is used in the data that contains a lot of zero and has overdispersion problems. In this thesis, will discuss the use of Zero Inflated Binomial distribution on the data of Course Graduation Status in FMIPA UNISBA Students 2016/2017 Academic Year. Parameter estimation is performed using the maximum likelihood method. And calculating the chisquare value is done to see if there is oversids. Estimating parameters by using the distribution Zero Inflated Binomial explains that the distribution is suitable for overcoming the problem of overdispersion in the data on the graduation status of the subjects at the FMIPA UNISBA 2016/2017 Academic Year students. Keywords: Binary data, Distribusi Binomial Overdispersion, Zero Inflated Binomial Distribution, Chi-Kuadrat Abstrak. Data biner adalah data yang nilainya dikategorikan hanya dengan simbol 1 atau 0. Pada umumnya data biner akan berdistribusi binomial. Distribusi binomial memiliki beberapa asumsi yang harus dipenuhi yaitu variabel acak yang saling bebas, dan peluang sukses sama atua konstan untuk setiap percobaan. Namun pada kenyataannya seringkali asumsi tersebut dilanggar, seperti adanya korelasi antar pengamatan. Yang mana akan menghasilkan nilai varians yang lebih besar dari varians dibawah sampling binomial. Dimana hal tersebut merupakan indikasi adanya masalah overdispersi. Overdispersi akan mengakibatkan hasil dari penaksiran varians tidak valid. Maka solusi yang digunakan adalah dengan menggunakan distribusi Zero Inflated Binomial, yang mana distribusi ini digunakan pada data yang berisi banyak nol dan mengalami masalah overdispersi. Dalam skripsi ini, akan membahas penggunaan distribusi Zero Inflated Binomial pada data Status Kelulusan Mata Kuliah Pada Mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017. Penaksiran parameter dilakukan menggunakan metode kemungkinan maksimum. Dan dilakukan perhitungan nilai chi-kuadrat untuk meliat adanya oversidspersi. Penaksiran parameter dengan menggunakan distribusi Zero Inflated Binomial menjelaskan bahwa distribusi tersebut cocok digunakan untuk mengatasi masalah overdispersi pada data status kelulusan mata kuliah pada mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017. Kata kunci: Data biner, Distribusi Binomial, Overdispersi, Distribusi Zero Inflated Binomial, Chi- Kuadrat A. Pendahuluan Data yang biasa dijumpai dalam analisis statistika adalah berupa data biner. Data biner adalah data yang nilainya dikategorikan hanya dengan simbol 1 atau 0. Data biner biasanya akan mengikuti distribusi Bernoulli ketika hanya dilakukan dalam 1 kali percobaan. Tetapi jika percobaan diulang sebanyak n kali maka akan menjadi distribusi Binomial. 136
2 Penerapan Distribusi Zero Inflated Binomial untuk Mengatasi Distribusi Binomial memiliki beberapa asumsi yang harus dipenuhi, yaitu variabel acak yang saling bebas, dan peluang sukses sama/konstan untuk setiap pengamatan. Namun jika asumsi tidak terpenuhi, maka akan mengalami overdispersi. Akibatnya, data biasanya menunjukkan varians yang lebih besar daripada varians yang diizinkan oleh model Binomial. Berdasarkan hal tersebut, maka perlu dicari suatu metode statistika yang tepat untuk dapat digunakan dalam menentukan taksiran peluang bagi parameter, dimana ada masalah overdispersi didalamnya. Salah satu cara untuk mengatasi masalah overdispersi dalam data berdistribusi Binomial adalah menggunakan distribusi Zero Inflated Binomial. Pemilihan distribusi ini didasarkan pada karakteristik data yang mana digunakan pada saat data berisi banyak nilai 0. Data yang akan digunakan pada skripsi ini adalah data jumlah mata kuliah yang tidak lulus pada mahasiswa Tahun Akademik 2016/2017 Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung. Berdasarkan latar belakang yang telah diuraikan, maka perumusan masalah dalam makalah ini adalah: 1. Bagaimana mendeteksi masalah overdispersi dalam data status kelulusan mata kuliah pada mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 dengan menggunakan distribusi Binomial 2. Bagaimana mengatasi masalah overdispersi dalam dalam data status kelulusan mata kuliah pada mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 dengan menggunakan distribusi Zero Inflated Binomial B. Landasan Teori Distribusi Binomial Misalkan x 1, x 2,, x n menyatakan respons untuk n buah percobaan yang identik dan saling bebas sedemikian rupa sehingga : P(x i = 1) = π dan P(x i = 0) = 1 π Di sini digunakan label yang sangat umum untuk menyatakan angka 1 sebagai peristiwa sukses dan 0 untuk menyatakan peristiwa gagal. Percobaan yang identik mempunyai makna bahwa peluang sukses π adalah sama untuk setiap percobaan. Sedangkan percobaan yang saling bebas mempunyai makna bahwa {x i } merupakan variabel acak yang saling bebas. Fungsi massa peluang untuk variabel acak x 1, x 2,, x n yang berdistribusi Binomial adalah sebagai berikut : f(x) = ( n x )πx (1 π) n x, untuk x = 0,1,2,, n (1) Dimana koefisien Binomial ( n x ) = n! x!(n x)! n x i Distribusi Binomial untuk X = i=1 mempunyai rata-rata dan varians sebagai berikut: E(X) = n π (2) dan Var(X) = nπ(1 π) (3) Penulisan notasi dari peubah acak X yang berdistribusi Binomial adalah B(X; n, π), artinya peubah acak X berdistribusi Binomial dengan banyak pengulangan eksperimen sebanyak n kali, peluang terjadi peristiwa sukses sebesar π, dan banyak peristiwa sukses terjadi ada sebanyak x. Statistika, Gelombang 2, Tahun Akademik
3 138 Sintia Sri Novianti, et al. Metode Kemungkinan Maksimum Untuk Parameter Binomial Bagian dari fungsi kemungkinan maksimum yang menyangkut parameter disebut kernel. Oleh karena memaksimumkan fungsi kemungkinan terhadap parameter, maka bagian lainnya menjadi tidak penting untuk dibahas. Untuk mengilustrasikan hal tersebut, perhatikan distribusi Binomial dalam pers.(2.4). Dimana koefisien ( n ) tidak berpengaruh pada maksimum terhadap x parameter π. Jadi, untuk selanjutnya koefisien Binomial dapat diabaikan, dan memperoleh kernel sebagai fungsi kemungkinan. Fungsi kemungkinan Binomial adalah sebagai berikut: n L(π) = i=1 [π x (1 π) n x ] = π x i(1 π) n2 x i (4) Selanjutnya fungsi log-kemungkinan Binomial adalah sebagai berikut : l(π) = ln[π x i(1 π) n2 x i ] = x i ln(π) + (n 2 x i ) ln(1 π) (5) Kemudian, dengan menurunkan terhadap π akan menghasilkan : l(π) = x i (n 2 x i ) = ( x i n 2 π) (6) (π) π (1 π) π(1 π) Bentuk di atas disamakan dengan 0, maka akan memberikan solusi dari persamaan kemungkinan sebagai π = x, proporsi sukses sampel dari n buah percobaan. n Overdispersi Fenomena overdispersi terjadi jika nilai varians yang dihasilkan lebih dari varians pada distribusi Binomial yang berlaku atau Var(x) > nπ(1 π). Overdispersi terjadi pada data yang memiliki korelasi antar pengamatan, atau tidak adanya kebebasan antar pengamatan atau variabel ataupun juga jika terdapat peluang yang berbeda satu sama lain dalam 1 kelompok. Pada kasus Binomial dengan overdispersi dapat ditandai dalam dua momen pertama. Misalkan X adalah variabel acak Binomial yang mewakili jumlah keberhasilan dari uji coba sebanyak n. Kemudian, E(X) = nπ (7) dan Var(X) = n(1 π){1 + ρ 2 (n 1)} (8) dimana π mewakili probabilitas keberhasilan setiap percobaan Bernoulli. Perhatikan bahwa nilai harapan atau rata-rata dari X cocok dengan model Binomial, akan tetapi varians yang diberikan dalam persamaan (8) lebih besar daripada varians yang dimodelkan oleh model Binomial karena faktor {1 + ρ 2 (n 1)} lebih besar dari satu. Variabel acak X dengan mean dan varians, seperti pada persamaan (7) dan (8), dikatakan memiliki overdispersi atau variasi ekstra relatif terhadap model Binomial. Chi-kuadrat Pearson Terdapat sejumlah alternatif untuk mengukur kecocokan model, dan salah satu yang paling populer adalah statistik chi-kuadrat pearson yang didefinisikan sebagai berikut: Volume 4, No. 2, Tahun 2018
4 Penerapan Distribusi Zero Inflated Binomial untuk Mengatasi X 2 n = (O i E i ) 2 i=0 (9) E i Dimana O i adalah nilai observasi ke i dan E i adalah frekuensi harapan dari observasi ke i. Pada saat nilai X 2 dibagi dengan derajat bebasnya mempunyai nilai yang lebih besar dari 1, maka akan berarti bahwa distribusi tersebut tidak cocok untuk data dan data memiliki overdispersi. Dengan demikian, dapat dikatakan bahwa statistik X 2 ini digunakan untuk mengukur kecocokan distribusi dan mendeteksi adanya overdispersi. Distribusi Zero Inflated Binomial Distribusi Zero Inflated Binomial merupakan distribusi yang digunakan untuk data yang berisi banyak 0 dan mengalami overdispersi, juga jika data mengikuti distribusi Binomial. Distribusi diskrit yang mendasarinya adalah Binomial(π; n) pada (1), yang diperbaharui menjadi distribusi Zero-inflated Binomial (ZIB) dengan fungsi probabilitas Pr(X = x) = ω( n x )πx (1 π) n x + (1 ω)i(x = 0), x = 0, 1, 2,, n (10) dimana I(.) adalah fungsi indikator atau fungsi penghubung. Perhatikan bahwa distribusi ZIB adalah gabungan dari dua distribusi, yaitu Binomial (π; n) dengan probabilitas "ω", dan distribusi indikator dengan probabilitas "1-ω". Di bawah parameterisasi π = P + θ(1 P) dan ω = P dengan 0 θ 1, fungsi probabilitas (10) dapat ditulis sebagai π P θ(1 P) Pr(X = x) = Pr(X = x) + I(x = 0), x= 0, 1,, n (11) P+θ(1 P) P+θ(1 P) dimana X ~ Binomial {P + θ(1 P); n}. Bila θ = 0, persamaan (11) akan menjadi distribusi Binomial (P; n). Di sisi lain, kasus θ = 1 akan menimbulkan distribusi Zero Degenerate. Jika X memiliki fungsi probabilitas seperti pada (11), X akan didistribusikan sebagai distribusi ZIB(P, θ; n). Dapat ditunjukkan bahwa dua momen pertama dari distribusi ZIB adalah E(X) = np (12) dan Var(X) = np(1 P){1 + θ(n 1)} (13) Dengan demikian, distribusi Zero-inflated Binomial memiliki overdispersi yang relatif terhadap distribusi Binomial. Perhatikan bahwa parameter overdispersi θ pada (13) mewakili parameter ρ 2 pada persamaan (8). Deskripsi Data Data yang diperoleh adalah data hasil penilaian mata kuliah pada semester 1 dan 2 mahasiswa FMIPA Universitas Islam Bandung dengan jumlah mahasiswa sebanyak 267 orang. Presentase jumlah mata kuliah yang tidak lulus pada mahasiswa Fakultas MIPA dapat di lihat pada Tabel 1. Tabel 1. Persentase Jumlah Mata Kuliah Yang Tidak Lulus Pada Semester 1 dan Semester 2 Mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 Jumlah Mata kuliah yang tidak lulus Jumlah Mahasiswa Persentase (%) 87,64 9,74 2,25 0,37 Dari Tabel 1 terlihat bahwa dari total 267 mahasiswa fakultas MIPA pada semester 1 dan 2 Tahun Akademik 2016/2017 terdapat 87,64% atau setara dengan 234 Statistika, Gelombang 2, Tahun Akademik
5 140 Sintia Sri Novianti, et al. mahasiswa yang tidak memiliki mata kuliah yang tidak lulus atau belum tuntas; 9,74% atau setara dengan 26 mahasiswa memiliki 1 mata kuliah yang tidak lulus; 2,25% mahasiswa yang memiliki 2 mata kuliah yang tidak lulus; dan 0,37% mahasiswa yang memiliki lebih dari atau sama dengan 3 mata kuliah yang tidak lulus. Hasil Penaksiran Parameter Dengan Distribusi Binomial Penaksiran parameter dengan menggunakan distribusi Binomial diperoleh dari hasil perhitungan yang akan disajikan pada Tabel 2. Dimana perhitungan dilakukan menggunakan program SAS. Tabel 2. Hasil Penaksiran Parameter Distribusi Binomial Penaksir Galat baku taksiran Db 4 t value 6,57 Pr > t 0,0028 Batas Bawah 0,02957 Batas Atas 0, log likelihood 253,3 π Dari hasil di atas didapat nilai taksiran dari π (peluang mata kuliah yang tidak lulus pada semester 1 dan semester 2 mahasiswa Tahun Akademik 2016/2017 FMIPA UNISBA) sebesar 0, Besarnya nilai galat baku taksiran, yang digunakan untuk pengujian hipotesis, untuk π sebesar 0,007787, dan nilai t value sebesar 6,57. Dengan nilai t value sebesar 6,57 didapat nilai Pr > t sebesar 0,0028. Adapun nilai bagi selang kepercayaan dengan batas bawah untuk π sebesar 0,02957 dan nilai batas atas sebesar 0, Hasil Mendeteksi Adanya Overdispersi Untuk memeriksa adanya overdispersi dalam data jumlah mata kuliah yang tidak lulus pada semester 1 dan semester 2 mahasiswa Tahun Akademik 2016/2017 Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Islam Bandung dengan menggunakan distribusi Binommial, maka akan dihitung nilai chi kuadrat dengan menggunakan persamaan (9). Sehingga didapat nilai frekuensi harapan dan chi-kuadrat seperti yang disajikan pada Tabel 3. Volume 4, No. 2, Tahun 2018
6 Penerapan Distribusi Zero Inflated Binomial untuk Mengatasi Tabel 3. Nilai Frekuensi Harapan dan Chi-Kuadrat dari Distribusi Binomial x O i π (X = x) E i = n. π (X = x) , , , , ,0255 1, ,0023 0, χ 2 37,41362 Db 2 χ 2 / db 18,70681 Berdasarkan Tabel 4.3. dapat dilihat pada distribusi Binomial dengan jumlah observasi ketika t = 0 adalah sebesar 234 dan nilai peluang (π) sebesar 0,8764 akan menghasilkan nilai frekuensi harapan (E i ) sebesar 228,0628. Yang artinya dari 234 mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 yang diketahui memperoleh nilai lulus semua pada mata kuliah semester 1 dan semester 2, dengan menggunakan distribusi Binomial dengan nilai peluang sebesar 0,8764 ditaksir ada 228,0628 mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 memperoleh nilai lulus semua pada mata kuliah semester 1 dan semester 2. Didapat nilai χ 2 (2) dari distribusi Binomial sebesar 18,70681 yang berarti tedapat overdispersi pada data karena nilai χ 2 (2) > 1. Sehingga distribusi Binomial tidak cocok untuk data jumlah mata kuliah yang tidak lulus pada semester 1 dan semester 2 Mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017. Hasil Penaksiran Parameter Dengan Distribusi Zero Inflated Binomial Penaksiran parameter dengan menggunakan distribusi Zero Inflated Binomial diperoleh dari hasil perhitungan yang akan disajikan pada Tabel 4. Dimana perhitungan dilakukan menggunakan program SAS. Tabel 4. Hasil Penaksiran Parameter Distribusi Zero Inflated Binomial P θ Penaksir Galat baku taksiran Db 4 4 t value 5,69 5,37 Pr > t 0,0047 0,0058 Batas Bawah Batas Atas , log likelihood 239,9 Statistika, Gelombang 2, Tahun Akademik
7 142 Sintia Sri Novianti, et al. Dari hasil di atas didapat nilai taksiran dari P (peluang mata kuliah yang tidak lulus pada semester 1 dan semester 2 mahasiswa Tahun Akademik 2016/2017 FMIPA UNISBA) sebesar 0,05119 dan nilai penaksir untuk θ (korelasi antara satu mata kuliah dengan mata kuliah yang lain pada seorang mahasiswa) pada distribusi Zero Inflated Binomial sebesar 0,1672. Besarnya nilai galat baku taksiran, yang digunakan untuk pengujian hipotesis, untuk P sebesar 0,008995, dan nilai galat baku taksiran untuk θ pada distribusi Zero Inflated Binomial sebesar 0, Didapat pula nilai t value sebesar 5,69 dan Pr > t sebesar 0,0047 untuk P, dan nilai t value sebesar 5,37 dan Pr > t sebesar 0,058 untuk θ pada distribusi Zero Inflated Binomial. Nilai-nilai tersebut dapat digunakan untuk pengujian hipotesis bagi parameter-parameter π dan θ. Adapun nilai bagi selang kepercayaan dengan batas bawah untuk P sebesar 0,02621 dan nilai batas atas sebesar 0, Dan Nilai batas bawah untuk θ pada distribusi Zero Inflated Binomial sebesar 0,01973 dan nilai batas atas sebesar 0,6204. Setelah dilakukan penaksiran dengan menggunakan distribusi Binomial dan distribusi Zero Inflated Binomial, didapat nilai penaksir peluang baik menggunakan distribusi Binomial maupun distribusi Zero Inflated Binomial sebesar 0,5119. Karena besarnya nilai penaksir peluang bagi kedua distribusi sama besar, maka untuk melihat adanya perbedaan antara distribusi Binomial dan distribusi Zero Inflated Binomial akan dilihat perbandingan antara nilai selisih dari -2 log likelihood antara kedua distribusi dengan nilai χ 2. Sehigga diperoleh hasil sebagai berikut : 1;0,05 D = ( 2 log likelihood(binomial)) ( 2 log likelihood(zero Inflated Binomial)) D = 253,3 239,9 = 13,4 Dengan nilai χ 2 1;0,05 = 3,84146, maka terlihat bahwa nilai D > χ2. Hal ini 1;0,05 menunjukkan bahwa terdapat perbedaan antara distribusi Binomial dan distribusi Zero Inflated Binomial. Pengujian Hipotesis bagi Parameter P dan θ Terdapat 2 buah parameter yang didapat pada distribusi Zero Inflated Binomial, yaitu P dan θ. Akan dilakukan pengujian apakah parameter-parameter tersebut signifikan atau tidak signifikan secara statistik dengan menggunakan uji t. a. Untuk P pada distribusi Zero Inlfated Binomial dengan Hipotesis sebagai berikut: H 0 P = 0; peluang seorang mahasiswa Tahun Akademik 2016/2017 FMIPA UNISBA memperolah nilai mata kuliah tidak lulus pada semester 1 dan 2 dari distribusi Zero Inflated Binomial sama dengan nol H 1 P 0; peluang seorang mahasiswa Tahun Akademik 2016/2017 FMIPA UNISBA memperolah nilai mata kuliah tidak lulus tidak lulus mata kuliah pada semester 1 dan 2 dari distribusi Zero Inflated Binomial tidak sama dengan nol Dengan statistika uji pada α = 0,05 dengan nilai t = 0, , Volume 4, No. 2, Tahun 2018 = 5,69 dan diperoleh nilai Pr > t = 0,0047. nilai penaksir P Galat baku taksiran = Dimana kriteria uji: tolak H 0 jika nilai Pr > t < α. Sehingga didapat kesimpulan, H 0 ditolak karena 0,0047 < α, yang artinya bahwa peluang seorang mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 memperolah nilai mata kuliah tidak lulus pada semester 1 dan 2 dari distribusi Zero Inflated Binomial tidak sama dengan nol dengan α = 5%.
8 Penerapan Distribusi Zero Inflated Binomial untuk Mengatasi b. Untuk θ pada distribusi Zero Inflaetd Binomial dengan Hipotesis sebagai berikut: H 0 θ = 0, tidak ada hubungan antara satu mata kuliah dengan mata kuliah yang lain dari seorang mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 H 1 θ 0, ada hubungan antara satu mata kuliah dengan mata kuliah yang lain dari seorang mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 Dengan statistika uji pada α sebesar 0,10 dengan nilai t = 0,1672 0,07620 = 5,37 dan diperoleh nilai Pr > t sebesar 0,0058. nilai penaksir θ Galat baku taksiran = Dimana kriteria uji: tolak H 0 jika nilai Pr > t < α. Sehingga didapat kesimpulan, H 0 ditolak karena 0,0058 < α, yang artinya ada hubungan antara satu mata kuliah dengan mata kuliah yang lain dari seorang mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 dengan α = 10%. Hasil Mendeteksi Overdispersi Pada Distribusi Zero Inflated Binomial Untuk memastikan apakah dengan menggunakan distribusi Zero Inflated Binomial data jumlah mata kuliah yang tidak lulus pada semester 1 dan semester 2 mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 sudah tidak memiliki overdispersi, maka akan dihitung nilai chi kuadrat dengan menggunakan persamaan (9). Sehingga didapat nilai Frekuensi harapan dan chi-kuadrat seperti yang disajikan pada Tabel 5. Tabel 5. Nilai Frekuensi Harapan dan Chi-Kuadrat dari Distribusi Zero Inflated Binomial X O i π (X = x) E i = n. π (X = x , , , , , , , χ 2 0, db 1 χ 2 / db 0,, Dari Tabel di atas dapat dilihat dengan jumlah observasi ketika x = 0 adalah sebesar 234 dan nilai peluang (π) sebesar 0,8542 akan menghasilkan nilai frekuensi harapan (E i ) sebesar 234. Yang artinya dari 234 mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 yang diketahui memperoleh nilai lulus semua pada mata kuliah semester 1 dan semester 2, dengan menggunakan distribusi Binomial dengan nilai peluang sebesar 0,8542 ditaksir ada 234 mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 memperoleh nilai lulus semua pada mata kuliah semester 1 dan semester 2. Dengan menggunakan distribusi Zero Inflated Binomial nilai χ 2 (1) menjadi sebessar 0,36 yang mana lebih kecil dari 1, sehingga memiliki arti bahwa dengan menggunakan distribusi Zero Inflated Binomial data tidak memiliki overdispersi dan distribusi Zero Inflated Binomial lebih cocok untuk digunakan pada data tersebut. Statistika, Gelombang 2, Tahun Akademik
9 144 Sintia Sri Novianti, et al. Nilai Peluang Distribusi Zero Inflated Binomial Untuk melihat nilai taksiran peluang dari distribusi Zero Inflated Binomial, maka akan disajikan Tabel 6. yang berisi nilai peluang untuk setiap x dengan menggunakan distribusi Binomial dan distribusi Zero Inflated Binomial. Tabel 6. Nilai Peluang Untuk Setiap x dengan Menggunakan Distribusi Zero Inflated Binomial Volume 4, No. 2, Tahun 2018 x Zero Inflated Binomial 0 0, , , , Dilihat dari tabel di atas, didapat bahwa pada saat t semakin besar maka nilai peluang baik pada distribusi Zero Inflated Binomial semakin kecil. Hal ini menunjukkan bahwa dengan menggunakan distribusi Zero Inflated Binomial, peluang sukses bahwa mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 memperoleh nilai mata kuliah tidak lulus akan semakin kecil seiring bertambahnya jumlah mata kuliah yang diambil. Dapat dilihat pula, dengan menggunakan distribusi Zero Inflated Binomial peluang mahasiswa FMIPA UNISBA Tahun Akademik 2016/2017 memperoleh 1 nilai mata kuliah yang tidak lulus sebesar 0, C. Kesimpulan dan Saran Kesimpulan 1. Setelah dilakukan penaksiran peluang menggunakan distribusi Binomial didapat taksiran peluang sebesar 0,5119. Tetapi pada saat dilakukan perhitungan nilai χ 2, didapat nilai χ 2 (2) pada distribusi Binomial sebesar 18,70681 yang berarti tedapat overdispersi pada data dengan distribusi Binomial karena χ 2 (2) > 1. Yang artinya terdapat masalah overdispersi pada data status kelulusan mahasiswa FMIPA UNISBA pada semester 1 dan semester 2 Tahun Akademik 2016/2017 yang mengikuti distribusi Binomial, sehingga distribusi ini tidak cocok untuk data tersebut. 2. Setelah menggunakan penaksiran peluang dengan distribusi Zero Inflated Binomial didapat nilai taksiran untuk P atau peluang sukses sebesar 0,5119 dan nilai taksiran untuk θ sebesar 0,1672. Dilakukan pula pendeteksian overdispersi dengan menghitung nilai χ 2 untuk meyakinkan bahwa distribusi Zero Inflated Binomial memang cocok untuk data status kelulusan mahasiswa FMIPA UNISBA pada semester 1 dan semester 2 Tahun Akademik 2016/2017. Didapat nilai χ 2 (1) sebesar 0,36 yang mana lebih kecil dari 1, sehingga tidak terdapat masalah overdispersi pada data status kelulusan mahasiswa FMIPA UNISBA pada semester 1 dan semester 2 Tahun Akademik 2016/2017 yang mengikuti distribusi Zero Inflated Binomial dan distribusi Zero Inflated Binomial lebih cocok untuk digunakan pada data tersebut. Karena setelah dilakukan penaksiran dengan menggunakan distribusi Binomial dan distribusi Zero Inflated Binomial, didapat nilai penaksir peluang sebesar 0,5119. Maka untuk melihat adanya perbedaan antara distribusi Binomial dan distribusi Zero Inflated Binomial dihitung nilai perbandingan antara nilai selisih dari -2 log likelihood antara kedua distribusi dan didapat bahwa nilai D > χ 2. Hal ini menunjukkan bahwa terdapat 1;0,05 perbedaan antara distribusi Binomial dan distribusi Zero Inflated Binomial.
10 Penerapan Distribusi Zero Inflated Binomial untuk Mengatasi Saran 1. Selain distribusi Zero Inflated Binomial, masih banyak distribusi lain yang dapat digunakan sebagai solusi untuk mengatasi masalah overdispersi dalam data biner seperti distribusi Random-Clumped Binomial, distribusi Beta-Binomial, dan distribusi A Generalized of The Binomial. Untuk itu para pembaca dapat menggunakan distribusi-distribusi tersebut yang sesuai dengan karakteristik data dalam mengatasi masalah overdispersi. 2. Dalam skripsi ini penulis tidak membahas model, sehingga dapat diimplementasikan kedalam model dan dapat dilihat faktor-faktor apa saja yang berpengaruh terhadap model. Daftar Pustaka Agresti,A. (1990). Categorical Data Analysis. New York: John Wiley and Sons. Collet, D. (1991). Modeling Binary Data. London: Champman and Hall. Hajarisman, N. (1998), Kajian Perbandingan Model Regresi Beta-Binomial dengan Model Regresi Logistik dan Penerapannya untuk Menduga Pola Kelulusan Mahasiswa TPB-IPB. Hajarisman, N. (2009), Analisis Data Kategorik. Bandung: Pusat Penerbitan Unisba. Kusuma, Komalasari, dan Hadijati Model Regresi Zero Inflated Poisson Pada Data Overdispersion. Diakses Pada Tanggal 2 Mei McCullagh, P., and J.A. Nelder (1989). Generalized Linear Models. (Second Edition).New York: Chapman and Hall. Wilson Morel, Jorge G., and Neerchal, Nagaraj K. (2011). Overdispersion Models in SAS. Cary, NC, USA: SAS Institute Inc. Sunendiari, S. (2012), Statistika Matematika II. Bandung: Pusat Penerbitan Unisba. Statistika, Gelombang 2, Tahun Akademik
Masalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Distribusi Binomial Negatif-Lindley pada Data Frekuensi Klaim Asuransi Kendaraan Bermotor di Indonesia Binomial Negative-Lindley Distribution in the Frequency Data
Lebih terperinciPemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process
Prosiding Statistika ISSN: 2460-6456 Pemodelan Data Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process 1 Novi Tri Wahyuni, 2 Sutawatir Darwis, 3 Teti Sofia Yanti 1,2,3 Prodi
Lebih terperinciPENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 11-16 ISSN: 2303-1751 PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA NI MADE SEKARMINI 1, I KOMANG GDE SUKARSA
Lebih terperinciGeneralized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017
Prosiding Statistika ISSN: 2460-6456 Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Generalized Ordinal Logistic
Lebih terperinciPENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON
E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA
Lebih terperinciE-Jurnal Matematika Vol. 5 (4), November 2016, pp ISSN:
E-Jurnal Matematika Vol 5 (4), November 2016, pp 133-138 ISSN: 2303-1751 PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION (Studi
Lebih terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
Lebih terperinciE-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN:
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 23-28 ISSN: 2303-1751 PENERAPAN REGRESI ZERO INFLATED POISSON UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON (Studi Kasus: Ketidaklulusan Siswa SMA/MA
Lebih terperinciE-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN:
E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 107-115 ISSN: 2303-1751 PERBANDINGAN REGRESI BINOMIAL NEGATIF DAN REGRESI GENERALISASI POISSON DALAM MENGATASI OVERDISPERSI Studi Kasus: Jumlah Tenaga Kerja
Lebih terperinciBAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
BAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON 3.1 Regresi Poisson Regresi Poisson merupakan salah satu model regresi dengan variabel responnya tidak berasal
Lebih terperinciE-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN:
E-Jurnal Matematika Vol., No., Mei 013, 37-41 ISSN: 303-1751 PENERAPAN REGRESI QUASI-LIKELIHOOD PADA DATA CACAH (COUNT DATA) YANG MENGALAMI OVERDISPERSI DALAM REGRESI POISSON (Studi Kasus: Jumlah Kasus
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan
Lebih terperinciModel Regresi Zero Inflated Poisson Pada Data Overdispersion
Model Regresi Zero Inflated Poisson Pada Data Overdispersion Wirajaya Kusuma Fakultas MIPA, Universitas Mataram e-mail: Kusuma_Wirajaya@yahoo.co.id Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciBAB I PENDAHULUAN. Pada bab ini akan dibahas mengenai latar belakang tema yang diambil dalam
BAB I PENDAHULUAN Pada bab ini akan dibahas mengenai latar belakang tema yang diambil dalam tugas akhir ini, perumusan masalah yang akan dibahas, batasan masalah, tujuan penulisan, manfaat penulisan, dan
Lebih terperinciKata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciPENERAPAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMENGARUHI JUMLAH SISWA SMA/SMK YANG TIDAK LULUS UN DI BALI
PENERAPAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMENGARUHI JUMLAH SISWA SMA/SMK YANG TIDAK LULUS UN DI BALI KOMANG AYU YULIANINGSIH 1, KOMANG GDE SUKARSA 2, LUH PUTU SUCIPTAWATI 3 1,2,3
Lebih terperinci(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER
(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER Drs. Soekardi Hadi P. Prodi Matematika Fakultas Sains dan Teknologi Universitas Islam As-Syafi iyah Email : s.hadip@yahoo.co.id Abstrak
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan salah satu analisis yang paling populer digunakan dalam sebuah penelitian untuk mengetahui bentuk hubungan antara variabel
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Jurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 204 ISSN 2085-7829 Perbandingan Aplikasi Metode Parametrik (Distribusi Log logistik) dan Non Parametrik (Nelson-Aalen Estimator) dalam Analisis Data Uji
Lebih terperinciPengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat)
Statistika, Vol. 14 No. 2, 69 76 November 2014 Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Jurusan Matematika, Fakultas Sains dan
Lebih terperinciPENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR
PENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 215 S-5 Penerapan Hurdle Negative Binomial pada Data Tersensor Resa Septiani Pontoh, Defi
Lebih terperinciPEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON
PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON Rena Muntafiah 1, Rochdi Wasono 2, Moh. Yamin Darsyah 3 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB I PENDAHULUAN. mengetahui fenomena yang akan terjadi pada periode mendatang akan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada kehidupan sehari-hari, adanya ketidakmampuan manusia untuk mengetahui fenomena yang akan terjadi pada periode mendatang akan mengakibatkan kurang tepatnya
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Penaksiran Besar Klaim Optimal Menggunakan Metode Linear Empirical Bayesian yang Diaplikasikan untuk Perhitungan Premi Asuransi Kendaraan Bermotor di Indonesia 1 Hilda
Lebih terperinciESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK
ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Penentuan Distribusi Kerugian Agregat Tertanggung Asuransi Kendaraan Bermotor di Indonesia Menggunakan Metode Rekursif Panjer Determination of Aggregate Insured Losses
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Uji Koreksi Kontinuitas Cochran-Armitage untuk Menguji Trend pada Data Proporsi Test of Cochran-Armitage Continuity Correction to Test Trend on Proportion Data 1 Ani
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang
Lebih terperinciMODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Lebih terperinciBAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan matematika dan penerapannya dalam berbagai bidang keilmuan selalu mencari metode baru untuk memudahkan dalam memprediksi dan menaksir
Lebih terperinciPEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti
S-25 PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG Indahwati, Yenni Angraeni, Tri Wuri Sastuti Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Pemodelan multilevel adalah
Lebih terperinciPENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI
PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI Ni Made Metta Astari 1, Ni Luh Putu Suciptawati 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas
Lebih terperinciPEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON
Prosiding Seminar Nasional Matematika, Universitas Jember, 9 November 04 0 PEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON Nurul
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinciESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK. Jl. A. Yani Km. 36 Banjarbaru, Kalimantan Selatan
Jurnal Matematika Murni dan Terapan εpsilon Vol. 07, No.01, 201, Hal. 45 52 ESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK Rizqi Elmuna Hidayah 1, Nur Salam 2 dan Dewi Sri Susanti 1,2, Program Studi
Lebih terperinciInferensia Statistik parametrik VALID?? darimana sampel diambil
Inferensia Statistik parametrik VALID?? Tergantung dari bentuk populasi Tergantung dari bentuk populasi darimana sampel diambil Uji kesesuaian (goodness of fit) ) untuk tabel frekuensi Goodness-of-fit
Lebih terperinciANALISIS HUBUNGAN ANTARA LAMA STUDI, JALUR MASUK DAN INDEKS PRESTASI KUMULATIF (IPK) MENGGUNAKAN MODEL LOG LINIER
ANALISIS HUBUNGAN ANTARA LAMA STUDI, JALUR MASUK DAN INDEKS PRESTASI KUMULATIF (IPK) MENGGUNAKAN MODEL LOG LINIER (Studi Kasus: Lulusan Mahasiswa FSM UNDIP Periode Wisuda Tahun 2012/2013) SKRIPSI Oleh
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciPenerapan Hurdle Negative Binomial pada Data Tersensor
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Penerapan Hurdle Negative Binomial pada Data Tersensor S - 5 Resa Septiani Pontoh, Defi Yusti Faidah. Departemen Statistika FMIPA Universitas
Lebih terperinciGENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI
GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI Agus Supriatna 1), Riaman 2), Sudradjat 3), Tari Septiyani 4) Departemen Matematika, FMIPA Unpad Jalan Raya Bandung-Sumedang
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciModel Poisson. Inferensi likelihood. Andi Kresna Jaya November 19, Jurusan Matematika
Review Poisson dengan overdispersi Inferensi likelihood Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika November 19, 2014 Review Poisson dengan overdispersi Outline 1 Review 2 3 Poisson dengan
Lebih terperinciESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI
ESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI GHAZALI WARDHONO 090823040 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciPeranan dari Pemilihan Level sebagai Referensi pada Variabel Bebas Bertipe Kategori terhadap Derajat Multikolinieritas dalam Model Regresi Linier
Prosiding Statistika ISSN: 2460-6456 Peranan dari Pemilihan Level sebagai Referensi pada Variabel Bebas Bertipe Kategori terhadap Derajat Multikolinieritas dalam Model Regresi Linier 1 Seny Mustikawati,
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinciALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL
ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciPENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)
PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam teori probabilitas dan statistika, distribusi Binomial adalah distribusi probabilitas diskrit jumlah keberhasilan dalam n percobaan ya/tidak(berhasil/gagal)
Lebih terperinciMODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD. Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK
MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK Analisis regresi logistik biner dengan metode penalized maximum likelihood digunakan
Lebih terperinciNon Linear Estimation and Maximum Likelihood Estimation
Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation We have studied linear models in the sense that the parameters are
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 19 Bandar Lampung yang terletak di
24 III. METODE PENELITIAN A. Populasi dan Sampel Penelitian ini dilaksanakan di SMP Negeri 19 Bandar Lampung yang terletak di Jl. Turi Raya No.1 Labuhan Dalam, Kecamatan Tanjung Senang, Kota Bandar Lampung.
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam teori probabilitas dan statistika, distribusi binomial adalah distribusi probabilitas diskret jumlah keberhasilan dalam n percobaan ya/tidak (berhasil/gagal)
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Lebih terperinciPENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 35-39 ISSN: 2303-1751 PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG PUTU
Lebih terperinciE-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN:
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 40-45 ISSN: 2303-1751 ANALISIS FAKTOR-FAKTOR YANG MEMENGARUHI WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN METODE GOMPIT (Studi Kasus: Mahasiswa Fakultas
Lebih terperinciMODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON Ade Susanti, Dewi Retno Sari Saputro, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Pada bab ini akan diuraikan mengenai beberapa teori dan metode yang mendukung serta mempermudah dalam melakukan perhitungan dan dapat membantu di dalam pembahasan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi digunakan untuk mengetahui bentuk hubungan antara variabel respon dengan satu atau lebih variabel prediktor. Umumnya analisis regresi yang digunakan
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO ADJUSTED INVERSE GAUSSIAN (ZAIG) UNTUK MENENTUKAN BESAR KLAIM
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 323-328 ESTIMASI PARAMETER MODEL REGRESI ZERO ADJUSTED INVERSE GAUSSIAN (ZAIG) UNTUK MENENTUKAN BESAR KLAIM Nurul Huda,
Lebih terperinciPENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN
PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit
Lebih terperincistatistika untuk penelitian
statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,
Lebih terperinciPERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION
PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION (Studi Kasus: Angka Kematian Ibu di Provinsi Bali) KOMPETENSI STATISTIKA SKRIPSI
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI BINOMIAL NEGATIF-GENERALIZED EKSPONENSIAL (BN-GE) PADA DATA OVERDISPERSI
Jurnal LOG!K@, Jilid 6, No. 2, 2016, Hal. 161-169 ISSN 1978 8568 ESTIMASI PARAMETER DISTRIBUSI BINOMIAL NEGATIF-GENERALIZED EKSPONENSIAL (BN-GE) PADA DATA OVERDISPERSI Annisa Ulfiyah 1), Rini Cahyandari
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciMedan, Juli Penulis
9. Seluruh teman-teman seperjuangan di Ekstensi Matematika Statistika, dan semua pihak yang turut membantu menyelesaikan skripsi ini. Sepenuhnya penulis menyadari bahwa dalam penulisan skripsi ini masih
Lebih terperinciKETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG
Lebih terperinciInformasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Aulia Nugrahani
Lebih terperinciPEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Mike Susmikanti *
PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN Mike Susmikanti * ABSTRAK PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Pemodelan dalam penelitian berbagai bidang khususnya bidang industri, merupakan kebutuhan
Lebih terperinciAPLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA TENGAH TAHUN 2007
APLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA TENGAH TAHUN 2007 SKRIPSI Oleh: Nurwihda Safrida Umami NIM : J2E006025 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciSTATISTIKA II IT
STATISTIKA II IT-011227 Ummu Kalsum UNIVERSITAS GUNADARMA 2017 Keterlambatan : KONTRAK KULIAH MOHON KETERLAMBATAN TIDAK LEBIH 15 MENIT Sanksi atau hukuman, sebagai contoh: Menguraikan pengetahuan tentang
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD
ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD Fitra1, Saleh2, La Podje3 Mahasiswa Program Studi Statistika, FMIPA Unhas 2,3 Dosen Program Studi Statistika,
Lebih terperinciSIMULASI INTENSITAS SENSOR DALAM PENDUGAAN PARAMATER DISTRIBUSI WEIBULL TERSENSOR KIRI. Abstract
ISBN: 978-602-71798-1-3 SIMULASI INTENSITAS SENSOR DALAM PENDUGAAN PARAMATER DISTRIBUSI WEIBULL TERSENSOR KIRI Widiarti 1), Ayu Maidiyanti 2), Warsono 3) 1 FMIPA Universitas Lampung widiarti08@gmail.com
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan suatu metode yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan antar variabel. Hubungan tersebut dapat dinyatakan dalam bentuk persamaan
Lebih terperinciKajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, 2015 2337-3520 2301-928X Print A-67 Kajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya Marselly Dian Saputri, Farida Agustini Widjajati,
Lebih terperinciPERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA
Saintia Matematika Vol. 1, No. 3 (2013), pp. 299 312. PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA Raini Manurung, Suwarno Ariswoyo, Pasukat Sembiring Abstrak.
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciStatistika Farmasi
Bab 3: Distribusi Data Statistika FMIPA Universitas Islam Indonesia Distribusi Data Teori dalam statistika berkaitan dengan peluang Konsep dasar peluang tersebut berkaitan dengan peluang distribusi, yaitu
Lebih terperinciE-Jurnal Matematika Vol. 4 (2), Mei 2015, pp ISSN:
PENERAPAN REGRESI PROBIT BIVARIAT UNTUK MENDUGA FAKTOR-FAKTOR YANG MEMENGARUHI KELULUSAN MAHASISWA (Studi Kasus: Mahasiswa Fakultas MIPA Unversitas Udayana) Ni Gusti Ketut Trisna Pradnyantari 1, I Komang
Lebih terperinciPemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif
1 Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif Nike Dwi Wilujeng Mahardika dan Sri Pingit Wulandari Statistika, FMIPA, Institut Teknologi
Lebih terperinciPERBANDINGAN REGRESI METODE ROBUST DENGAN METODE OLS STUDY KASUS PENGARUH INFLASI DAN PDRB TERHADAP PENGANGGURAN TERBUKA DI PROVINSI JAWA TEGAH
PERBANDINGAN REGRESI METODE ROBUST DENGAN METODE STUDY KASUS PENGARUH INFLASI DAN PDRB TERHADAP PENGANGGURAN TERBUKA DI PROVINSI JAWA TEGAH Rofiqoh Istiqomah (1), Abdul Karim (2) 1, email: Rofiqohistiq15@gmail.com
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciDistribusi probabilitas dan normal. Statisitik Farmasi 2015
Distribusi probabilitas dan normal Statisitik Farmasi 2015 Part 1. DISTRIBUSI PROBABILITAS Statisitik Farmasi 2015 Tujuan Perkuliahan Setelah menyelesaikan kuliah ini, mahasiswa mampu: Membuat distribusi
Lebih terperinciMODEL REGRESI PROBIT BIVARIAT
MODEL REGRESI PROBIT BIVARIAT NURFIDAH DWITIYANTI Program Studi Teknik Informatika Fakultas Teknik, Matematika dan Ilmu Pengetahuan Alam Universitas Indraprasta PGRI Jl. Nangka No. 58 C, Tanjung Barat,
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciMetode Statistika (STK 211) Pertemuan ke-5
Metode Statistika (STK 211) Pertemuan ke-5 rrahmaanisa@apps.ipb.ac.id Memahami definisi dan aplikasi peubah acak (peubah acak sebagai fungsi, peubah acak diskrit dan kontinu) Memahami sebaran peubah acak
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinci